BCN(边界感知级联网络)代码调试

代码链接：https:// github.com/MCG-NJU/BCN

论文链接：https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123700035.pdf

训练BCN有两个部分:训练前障碍生成模块(BGM)和联合训练阶段级联(SC)和BGM。首先在分割注释上构造动作边界实值，并用二元分类损失对BGM进行预训练。训练前BGM的目的是在联合训练开始时提供准确的边界预测，由于SC和BGM收敛速度不同，充分优化BGM的参数。然后，只使用帧级分类损失在原始地面事实上联合训练SC和BGM，其中BGM的参数也可以通过后向梯度进行微调，因为LBP是可微的。

下载数据集，数据集链接：https://zenodo.org/record/3625992#.Xiv9jGhKhPY

将数据集放在bcn文件下。

训练前障碍生成模块(BGM)

运行python bgm.py --action train --dataset DS --split SP --resolution full，DS换成相应的数据集，SP通过查看data文件下进行选择。

训练后会得到相应的文件 ，用于后面的训练模块。

 从图中可以看到三个输出分别为P，R，f1，它们分别表示帧精度，片段编辑评分和在时间交叉联合(tIoU)阈值0.10,0.25和0.5的片段F1评分，用F1 @{10,25,50}表示。

从代码中可以看到三种评估指标的具体计算：

f1：

f1_score = 2 * (precision / (num_iter + 1)) * (recall / (num_iter + 1)) / ((precision / (num_iter + 1)) + (recall / (num_iter + 1)))

p：precision / (num_iter + 1)

r：recall / (num_iter + 1)

即f1=2*P*R/(P+R)

在不考虑过拟合的情况下f1越高越好。

 上图为本论文中给出的结果。